最终结果：32K prefill 提升约 20.4%；之后单独校准 decode，同为 12 workers 时提升约 3%–6%。 两轮基线不同，下面分开列。

配置

简要优化过程

1. 先照配置跑，再处理本机差异

最初照搬参数，没有复现帖子中的 decode。我的 CPU、量化和测试内容都不同，不能直接拿 IQ3_S 的 100+ tok/s 当目标。

PLE 最后保留 ram，加载日志确认表已锁在 RAM；direct 在这台机器上出现过很慢的随机读取。这个选择主要解决本机加载体验，没有单独做可归因的速度百分比对照。

2. 针对 Q4 测 prefill 开关

逐项及组合测试后，保留：

STRATA_PF_FUSED_KQ=1
STRATA_PREFILL_RING=384
STRATA_FUSE_CONVAB=1

这一轮全部固定 15 workers，比较的是同一 RDNA3 fork 内的参数变化：

32K 的读取收益在 KQ 融合单项测试中就能重复看到；ring 和 CONVAB 单独开启没有明确收益。三项组合在本轮混合负载中总耗时最低，因此保留，但不把全部提升归功于每个开关，也不将这一轮约 1%–2% 的 decode 波动当成稳定收益。

hipBLASLt 调优表也做了开关对照：这些负载走 WMMA/自定义路径，日志中 hipBLASLt 调用为 0，关表没有改善，因此保留原有 43 行表，没有为了凑参数额外重做。

3. 跑内置 calibrate，再用长输入复测

内置校准约 16 分钟，扫描 PCIe 分工、MTP 阈值、worker 数和专家更新参数。之后把日常 worker 固定为 12 （10-14差别都很小），并补做了 两组都为 12 workers 的对照；上面的三个 prefill 设置在这两组中均保留。

这一轮 prefill 基本不变，完整请求耗时缩短约 1.2%–2.7%。decode 的百分比不能直接当成整笔任务的提速。12 workers 是最终日常选择，不代表已经证明它是所有负载的最优值。

最终保留的关键参数

以下是关键项，模型路径及其余已有配置省略：

--pool-workers 12
--pool-tasks 96
--pcie-frac 0.20
--spec 4
--spec-min-p 0.70
--adapt-every 1
--adapt-swaps 160
--adapt-decay 0.97
--prefill auto
--ple-io ram
--max-context 262144
--kv int8
--kv-resident 32768
--vram-reserve-mib 512

另外限制 ROCm 队列：主进程 GPU_MAX_HW_QUEUES=6，视觉辅助进程覆盖为 2。模型驻留后的短时观察为 GPU 0% busy、约 14–18W，没有再出现此前待机约 110W 的现象；这是显卡功耗，不是整机功耗。

测试口径与体会

每组先预热，候选每个场景测 3 次取中位数；第一轮基线另复测一次，合并 6 次取中位数。输入为固定的合成代码/检索文本，输出 512 tokens；temperature 0、top-k 1、top-p 1、min-p 0、seed 42，关闭 thinking。新输入确认无提示词缓存复用，续问允许缓存；冷启动时间不计入上述速度。输入输出长度、检索码和固定代码答案检查均通过，但不等于完整的质量评测，也不是实际 DSH 长任务计时。